FG-Depth：基于光流引导的无监督单目深度估计
计算机视觉与模式识别
2023-02-08 v2 人工智能
摘要
由于低标注成本及可与监督方法媲美的惊人精度，许多工作已展现出无监督单目深度估计的巨大潜力。为进一步提升性能，近期工作主要聚焦于设计更复杂的网络结构并利用额外监督信息(如语义分割)。这些方法通过不同程度地利用目标图像与参考图像间的重建关系来优化模型。然而，先前方法证明该图像重建优化易陷入局部极小值。本文中，我们的核心思想是利用预训练Flow-Net的先验知识引导优化。并且我们表明，无监督单目深度估计的瓶颈可通过我们简单而有效的框架FG-Depth打破。具体而言，我们提出(i)一种光流蒸馏损失以替代限制模型容量的典型光度损失，以及(ii)一种基于先验光流的掩码以去除在训练损失中引入噪声的无效像素。大量实验证明了各组件的有效性，且我们的方法在KITTI与NYU-Depth-v2数据集上均取得当前最优结果。
引用
@article{arxiv.2301.08414,
title = {FG-Depth: Flow-Guided Unsupervised Monocular Depth Estimation},
author = {Junyu Zhu and Lina Liu and Yong Liu and Wanlong Li and Feng Wen and Hongbo Zhang},
journal= {arXiv preprint arXiv:2301.08414},
year = {2023}
}
备注
Accepted by ICRA2023